Hugging Face用户用ML-Intern以约103美元成本在数天内构建了六个定制化AI模型

作者利用HuggingChat中的ML-Intern智能体，在两天内以总计约103美元的算力成本完成了六个从零开始的AI项目，包括领域微调、风格LoRA、新技能训练及端侧蒸馏。该流程由智能体自主规划任务、申请预算、执行测试并上传至Hub，实现了低成本快速迭代。其中最具代表性的成果是将Qwen-Image 2.1的9B提示词重写器蒸馏为0.8B版本，使其能在CPU上运行且显存占用仅为原模型的1/4，同时保持99.7%的输出有效性。

具体案例中，作者通过ML-Intern构建了柑橘病害诊断VLM（Qwen3.5-2B微调），将准确率从14.9%提升至52.8%，仅花费1.90美元；还开发了FLUX.2 klein base 4B的Huggy角色LoRA和Doodle-in涂鸦修复功能。特别值得注意的是Agate Preview 002的蒸馏实验，智能体成功将其从50步生成压缩至4步，在GenEval指标上达到0.536（接近教师模型50步的0.563），并将模型导出为ONNX格式供浏览器直接运行，大幅降低了推理延迟与计算开销。

事实层面，所有项目均基于真实存在的模型如Qwen3.5、FLUX.2 klein、Agate Preview 002，且算力成本精确记录在案。推断层面，这种Agent驱动的开发模式表明，对于特定场景的模型定制，传统需要数周的人力与资金投入可被压缩至数小时与百美元以内。猜测层面，若此类Agent工作流能进一步标准化，可能引发个人开发者大规模参与模型微调和工具链创新的浪潮，但需警惕过度依赖Agent导致的评估偏差或数据污染风险。